[发明专利]一种基于改进词袋模型的图像分类方法

权利要求书

1.一种基于改进词袋模型的图像分类方法，其特征是，包括如下步骤：

S1：提取高鉴别力SIFT特征点；其包括如下步骤：

S11：提取所有训练图像的SIFT特征点；

S12：计算SIFT特征点的鉴别力，得到高鉴别力SIFT特征点，是通过计算该SIFT特征点的类内相关系数和类间相关系数的乘积来实现，如果类内相关系数越大类间相关系数越小，则认为该SIFT特征点具有高鉴别力；具体为：

对于训练图像中，属于同一类别的一幅图像中的一个SIFT特征点A，计算SIFT特征点A与同一类别中另一幅图像的所有SIFT特征点之间的相关系数，得到最大相关系数r_max1，如果r_max1>α，α为预先设定的阈值，则将计数器counter1加1，直到SIFT特征点A与同一类别中其余图像之间完成相关系数的计算后，对计数器counter1进行归一化；计算SIFT特征点A与不属于同一类别的另一幅图像的所有SIFT特征点之间的相关系数，得到最大相关系数r_max2，如果r_max2<1-α，则将计数器counter2加1，直到SIFT特征点A与不属于同一类别的其余图像之间完成相关系数的计算后，对计数器counter2进行归一化；计数器counter1与计数器counter2的乘积即为SIFT特征点A的鉴别力，计算所有训练图像中各SIFT特征点的鉴别力，并对所有SIFT特征点的鉴别力进行排序，取鉴别力较大的前60％个SIFT特征点作为高鉴别力SIFT特征点；其中，两个SIFT特征点间相关系数r的定义如下：

其中，与分别为M与N中128个数值的均值，M＝(m₀，m₁，...，m₁₂₆，m₁₂₇)和N＝(n₀，n₁，...，n₁₂₆，n₁₂₇)分别表示两个SIFT特征点的128维描述子，相关系数r∈[0,1]；

S2：提取高鉴别力SIFT特征点对；其包括如下步骤：

S21：利用Prim算法对高鉴别力SIFT特征点构造最小生成树；

S22：对最小生成树中的SIFT特征点对进行筛选，得到高鉴别力SIFT特征点对，具体为：分别计算每幅训练图像的最小生成树中边的权重，删除SIFT特征点对中权重大于等于阈值M的SIFT特征点对，其中，M为阈值，最后保留的SIFT特征点对即为高鉴别力SIFT特征点对，阈值M定义如下：

其中，S_ij表示第i类的第j幅训练图像中高鉴别力SIFT特征点的总数，W_ij表示第i类训练图像中第j幅图像的最小生成树的权重，最小生成树的权重为最小生成树中每条边的权重之和，n代表训练集的总类别数，m代表每一类中的图片总数；

S3：构建视觉词典；其包括如下步骤：

S31:对高鉴别力SIFT特征点进行K均值聚类，得到视觉单词；

S32:对高鉴别力SIFT特征点对进行K均值聚类，得到视觉词组；

S4：图像分类；其包括如下步骤：

S41：计算每幅训练图像的视觉单词直方图；

S42：计算每幅训练图像的视觉词组直方图；

S43：合并每幅训练图像的视觉单词直方图和视觉词组直方图，得到联合直方图；

S44：将所有训练图像的联合直方图输入到SVM，得到SVM模型；

S45：计算待分类图像的视觉单词直方图；

S46：计算待分类图像的视觉词组直方图；

S47：合并待分类图像的视觉单词直方图和视觉词组直方图，得到联合直方图；

S48：将待分类图像的联合直方图输入到SVM模型，输出分类结果。

2.根据权利要求1所述的一种基于改进词袋模型的图像分类方法，其特征是，在步骤S11中，提取所有训练图像的SIFT特征点，具体为：检测训练图像的尺度空间的极值点，过滤极值点得到SIFT特征点，确定每个SIFT特征点的方向参数，生成SIFT特征点描述子，完成SIFT特征点的提取。